一种通用的多数据库间数据抽取方法及应用

提出了一种利用简单结构实现高阶指数曲率补偿和高电源电压抑制比的带隙基准电压源。利用正温度系数的反向饱和电流IS和双极型晶体管正向导通时的电流增益β以及Trimming修条电阻实现温度补偿，同时采用Wilson电流镜和电压负反馈技术来提高PSRR。仿真结果表明，该基准电压源达到了6.9 ppm/℃的温度系数，低频时PSRR最高达92 dB和39.3 ppm/V的线性调整率。

为改善常规PID控制器对非线性对象的控制性能,提出一种基于GA-BP算法的PID神经网络(PID Neural Network,PIDNN)控制策略。将PID控制规律融入神经网络,构成一种PIDNN控制器,并利用GA-BP算法来对其进行参数优化。采用所设计的PIDNN控制器对一种非线性系统进行仿真研究,仿真结果表明:GA-BP算法收敛速度快,所设计的PIDNN控制器与常规PID控制器相比,其控制稳定性和快速性等性能都得到了很大改善。

以光正交码(OOC)作为时间扩频序列,以单重合序列(OCS)作为波长跳频序列,构造了一种新的二维光正交码,即光正交码/单重合序列。与其他二维光正交码相比,光正交码/单重合序列的波长数并不局限于素数或素数幂,可以是任意整数,不仅构造灵活,而且可充分利用多波长光码分多址(MW OCDMA)系统的有效波长数。分析了光正交码/单重合序列码字的自相关和互相关性能,并得到了其互相关均值的具体表达式。最后,针对多波长光码分多址不同的系统参数,对不同参数的光正交码/单重合序列码字性能进行了分析和讨论：1) 给定单重合序列参数和光正交码的码重,增加码长将降低光码分多址系统误码率; 2) 给定光正交码的参数和单重合序列的码长,增加波长数将降低光码分多址系统误码率。

针对车牌识别系统的实际应用, 利用车牌区域的边缘梯度特征、几何形状特征、颜色特征、灰度纹理特征定位车牌, 然后校正车牌图像的颜色及倾斜度; 基于灰度投影法, 对普通及武警车牌均提出了有效字符分割方案, 通过自适应判别去除因字符断裂粘连、特殊字符等造成的干扰; 通过基于多特征值提取的神经网络方法初识别车牌; 最后将人眼的视觉特性用于模板匹配法, 解决易混淆字符及污损车牌的问题。通过大量实验证明, 该方法对车牌颜色、拍摄角度、光照条件等限制较少, 适用范围广、识别率高, 有较强的实用性。

为了克服传统Hough变换检测圆时耗时巨大的缺陷，给出了一种新的基于Hough变换检测圆的快速算法。新算法与传统的方法相比具有以下特点：计算量少，提高了检测的速度；保留了传统Hough变换识别率高、抗噪性强、对不完整边缘具有鲁棒性等所有优点；不需要任何特殊的限定条件。实验表明，新的快速算法可以快速进行目标识别，在实时目标识别系统中具有良好的表现。

支持向量机_with_python 在本笔记本中，我们介绍了支持向量机（SVM）算法，这是一种功能强大但简单的监督学习方法，用于预测数据。 对于分类任务，SVM算法尝试将特征空间中的数据划分为不同的类别。 默认情况下，这种划分是通过构造最佳分割数据的超平面来执行的。 为了进行回归，构造了超平面以映射数据分布。 在这两种情况下，这些超平面均以非概率方式映射线性结构。 但是，通过采用内核技巧，我们可以将非线性数据集转换为线性数据集，从而使SVM可以应用于非线性问题。 SVM是功能强大的算法，已得到广泛普及。 这部分是由于它们在高维特征空间中有效，包括那些特征数与实例数相似或略微超过实例数的问题。 与具有大量数据集的内存需求很高的KNN不同，SVM可以提高内存效率，因为仅需要支持向量即可计算超平面。 最后，通过使用不同的内核，SVM可以应用于各种学习任务。 另一方面，这些模型是黑匣子，很难解释

非共享数据库集群系统中的一种高效并行空间连接方法

传统气体压力测量仪器的传感器部分与数据采集系统是分离的，抗干扰的能力较差，并且通常被测对象的压力变化较快。因此不仅要求系统具有较快的数据吞吐速率，而且要能够适应复杂多变的工业环境，具有较好抗干扰性能、自我检测和数据传输的功能。 　　在此，利用FPGA具有扩展灵活，可实现片上系统（SoC），同时具有多种IP核可供使用等优点，设计了能够控制多路模拟开关、A/D转换、快速数据处理与传输、误差校正、温度补偿的智能传感器系统；同时将传感器与数据采集处理控制系统集成在一起，使系统更加紧凑，提高了系统适应工业现场的能力。 　　1 系统性能及元器件 　　1.1 智能传感器系统性能要求 　　传感器压力测

为了使用支持向量机(SVM)算法进行多类分类，在SVM二分类基础上，提出使用排序算法中冒泡排序的思想进行SVM多类别数据分类。使用该方法在选取的UCI数据集进行实验，结果表明，在保证较高正确率的情况下，相对传统一对一的多分类方法，该方法较大幅地减少了分类时间，是一种应用性较强的SVM多类分类方法。